CN113191614B - 一种基于慢特征回归分析的聚丙烯产品质量实时监测方法 - Google Patents

一种基于慢特征回归分析的聚丙烯产品质量实时监测方法 Download PDF

Info

Publication number
CN113191614B
CN113191614B CN202110440191.3A CN202110440191A CN113191614B CN 113191614 B CN113191614 B CN 113191614B CN 202110440191 A CN202110440191 A CN 202110440191A CN 113191614 B CN113191614 B CN 113191614B
Authority
CN
China
Prior art keywords
vector
matrix
polypropylene
vectors
slow
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110440191.3A
Other languages
English (en)
Other versions
CN113191614A (zh
Inventor
陈勇旗
陈杨
赵炜涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changshu Shine Plastic Industry Co ltd
Shenzhen Dragon Totem Technology Achievement Transformation Co ltd
Original Assignee
College of Science and Technology of Ningbo University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by College of Science and Technology of Ningbo University filed Critical College of Science and Technology of Ningbo University
Priority to CN202110440191.3A priority Critical patent/CN113191614B/zh
Publication of CN113191614A publication Critical patent/CN113191614A/zh
Application granted granted Critical
Publication of CN113191614B publication Critical patent/CN113191614B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于慢特征回归分析的聚丙烯产品质量实时监测方法，旨在分析出聚丙烯工业过程数据中与产品质量相关，且呈缓慢变化的慢特征，进而实现对聚丙烯产品质量是否异常的间接监测。具体来讲，首先针对聚丙烯工业过程常规采样数据实施慢特征分析，得到相应的多个慢特征；其次，本发明方法结合使用偏最小二乘算法建立慢特征与聚丙烯熔融指数间的回归模型，从而进一步将慢特征转换成与产品质量显著相关的慢特征；最后，利用与产品质量显著相关的慢特征实施聚丙烯产品质量的间接监测。本发明方法使用与聚丙烯产品质量相关的慢特征来间接实现对聚丙烯产品质量的监测，不仅能实现高频率的实时监测，而且还能决策异常是否会影响聚丙烯产品质量。

Description

一种基于慢特征回归分析的聚丙烯产品质量实时监测方法
技术领域
本发明涉及一种异常检测方法，特别涉及一种基于慢特征回归分析的聚丙烯产品质量实时监测方法。
背景技术
自从1957年丙烯聚合工业投入商业化以来，丙烯聚合催化剂和相关公益技术的进步，使聚丙烯成为全世界最有活力的聚合物之一。经过70～80年代高活性催化剂的推广使用，丙烯聚合工业的工艺技术得到了很大了发展，同时也使装置的投资和生产成本不短下降，企业效益不断增多。近年来，国内外多数企业已经淘汰了传统的溶剂淤浆聚合工艺，取而代之的是气相和本体聚合工艺。该工艺生产的聚丙烯产品品种多、牌号全、白度高、光学性能好、挥发性和灰分含量低、产品质量优异，不需进一步处理就能达到全部质量要求。由于聚丙烯的牌号取决于熔融指数，因此聚丙烯产品质量是与熔融指数直接相关的。简单来讲，监测聚丙烯产品质量就是监测聚丙烯熔融指数。
监测聚丙烯产品的质量是否达标最简单的方式莫过于直接实时测量聚丙烯的熔融指数。然而，我国目前测量聚丙烯熔融指数的测量技术都是通过在线取样和离线分析化验得到。因此，通过实时测量聚丙烯的熔融指数实现聚丙烯产品质量的监测存在严重的滞后性问题，不能及时根据聚丙烯产品质量的异常变化来调控生产流程。相对于熔融指数的长测量周期，聚丙烯工艺流程中诸如温度、压力、流量等数据信息在先进测量仪表与计算技术的帮助下可实现高频率的测量，这些常规测量变量对应的海量数据为间接实施聚丙烯产品质量的监测提供了充实的数据基础。
通常而言，为了维持聚丙烯产品质量稳定不变，需要保障其整个生产过程的状态维持现状基本不变。虽然通过机理分析或者技术人员的经验知识，可以大致区分出能直接影响聚丙烯产品质量的测量变量，但是这些信息毕竟是大致上的，无法做到精确的区分。而从数据驱动的角度出发，可以实现不依赖这些大致经验知识确定出与聚丙烯产品质量相关的特征，从而通过监测相关特征的变化来反应聚丙烯产品是否出现异常。此外，考虑到聚丙烯工业生产过程的平稳性，其测量数据中包含一些非常关键的呈缓慢变化趋势的特征，这些特征能反应出聚丙烯生产过程的本质，对于间接实施聚丙烯产品质量的监测有较大的助益。
发明内容
本发明所要解决的主要技术问题是：如何分析出聚丙烯工业过程数据中与产品质量相关且呈缓慢变化的慢特征，从而通过这些慢特征实现对聚丙烯产品质量是否异常的间接监测。具体来讲，本发明方法首先针对聚丙烯工业过程常规采样数据实施慢特征分析，得到相应的多个慢特征；其次，本发明方法结合使用偏最小二乘算法建立慢特征与聚丙烯熔融指数间的回归模型，从而进一步将慢特征转换成与产品质量显著相关的慢特征；最后，利用与产品质量显著相关的慢特征实施聚丙烯产品质量的间接监测。
本发明方法解决上述问题所采用的技术方案为：一种基于慢特征回归分析的聚丙烯产品质量实时监测方法，包括以下步骤：
步骤(1)：确定聚丙烯生产过程的测量变量，具体包括四个反应器的28个测量变量；其中，第一反应器和第二反应器是液相连续搅拌反应器，第三反应器和第四反应器是气相流化床反应器，每个反应器所属的7个测量变量依次是：反应器温度，反应器压力，反应器液位，氢气进料流量，丙烯进料流量，催化剂进料流量，和回流流量。
步骤(2)：根据确定的测量变量，连续采集N个采样时刻的样本数据后，将相应的样本数据存储为一个N×28维的数据矩阵X；与此同时，每间隔2小时采样分析得到第四反应器聚丙烯产品的熔融指数，并将熔融指数对应的n个数据存储为一个n×1维的数据向量y。
步骤(3)：按照如下所示公式组建列向量Y∈RN×1：
Figure BSA0000240431040000021
其中，y1，y2，…，yn表示数据向量y中的第一个至第n个元素，h等于测量变量与熔融指数的采样频率之比，RN×1表示N×1维的实数向量，R表示实数集，上标号T表示矩阵或向量的转置。
步骤(4)：根据如下所示公式分别对X中的列向量z1，z2，…，z28以及列向量Y实施标准化处理，对应得到输入矩阵
Figure BSA0000240431040000022
以及输出向量
Figure BSA0000240431040000023
Figure BSA0000240431040000024
其中，μk与δk分别表示列向量zk∈RN×1中所有元素的均值与标准差，μY和δY分别表示列向量Y中所有元素的均值与标准差，k∈{1，2，…，28}。
步骤(5)：根据如下所示步骤(5.1)至步骤(5.4)对输入矩阵
Figure BSA0000240431040000025
实施慢特征分析，从而得到慢特征矩阵S∈RN×m，转换矩阵W∈R28×m，和载荷矩阵P∈R28×m；其中，m表示慢特征的个数，RN×m表示N×m维的实数矩阵，R28×m表示28×m维的实数矩阵。
步骤(5.1)：设置阈值η后，再初始化g＝1。
步骤(5.2)：将输入矩阵
Figure BSA0000240431040000026
中第1行至第N-1行的行向量组成矩阵
Figure BSA0000240431040000027
并将输入矩阵
Figure BSA0000240431040000028
中第2行至第N行的行向量组成矩阵
Figure BSA0000240431040000029
后，根据公式
Figure BSA00002404310400000210
计算差分矩阵ΔX。
步骤(5.3)：求解广义特征值问题
Figure BSA00002404310400000211
中最小特征值λ所对应的特征向量v后，根据
Figure BSA00002404310400000212
计算转换向量wg；其中，上标号T表示矩阵或向量的转置。
步骤(5.4)：判断λ是否小于阈值η；若是，则计算慢特征向量
Figure BSA00002404310400000213
和载荷向量
Figure BSA00002404310400000214
并根据公式
Figure BSA00002404310400000215
更新输入矩阵
Figure BSA00002404310400000216
后，设置g＝g+1再返回步骤(5.2)；若否，则将s1，s2，…，sg-1合并成慢特征矩阵S＝[s1，s2，…，sg-1]，将w1，w2，…，wg-1合并成转换矩阵W＝[w1，w2，…，wg-1]，并将p1，p2，…，pg-1合并成载荷矩阵P＝[p1，p2，…，pg-1]后，再根据W＝W(PTW)-1更新转换矩阵W；其中，m＝g-1。
步骤(6)：利用偏最小二乘算法建立S与输出向量
Figure BSA0000240431040000031
之间的回归模型，即：
Figure BSA0000240431040000032
其中，得分矩阵U＝SA，A∈Rm×d表示投影矩阵，V∈Rm×d表示载荷矩阵，q∈Rd×1表示系数向量，E和f分别为误差矩阵与误差向量，d为得分向量的个数，确定d的具体实施过程如步骤(6.1)至步骤(6.5)所示。
步骤(6.1)：设置N1等于N除以5的商，再依次将慢特征矩阵S中第1行至第N1行的行向量，第N1+1行至第2N1行的行向量，第2N1+1行至第3N1行的行向量，第3N1+1行至第4N1行的行向量，第4N1+1行至第N行的行向量，分别组成子慢特征矩阵S1，S2，S3，S4，S5，同时对应的将输出向量
Figure BSA00002404310400000313
中相同行的元素分别组成子输出向量y1，y2，y3，y4，y5后，初始化b＝1。
步骤(6.2)：将第b个子慢特征矩阵Sb和子输出向量yb分别当成测试输入矩阵与测试输出矩阵，再将其余的4个子慢特征矩阵合并成一个训练输入矩阵S0，其余的4个子输出向量合并成一个训练输出向量Y0。
步骤(6.3)：根据如下所示步骤(A)至步骤(D)计算得到均方误差向量eb∈R1×w。
步骤(A)：设置j＝1后，初始化u＝Y0。
步骤(B)：计算向量
Figure BSA0000240431040000033
后，再计算得分向量βj＝S0αj；其中，|| ||表示计算向量的长度。
步骤(C)：先计算载荷向量
Figure BSA0000240431040000034
再计算系数
Figure BSA0000240431040000035
后，再计算测试得分向量
Figure BSA0000240431040000036
和eb中的第j个元素
Figure BSA0000240431040000037
步骤(D)：判断是否满足条件j＜m；若是，则根据公式
Figure BSA0000240431040000038
和
Figure BSA0000240431040000039
分别更新S0和Sb后，设置j＝j+1再返回步骤(B)；若否，则得到均方误差向量eb∈R1×m中的所有m个元素。
步骤(6.4)：判断是否满足b＜5；若是，则设置b＝b+1后返回步骤(6.2)；若否，则计算5个均方误差向量e1，e2，e3，e4，e5的均值向量μe＝(e1+e2+e3+e4+e5)/5。
步骤(6.5)：根据均值向量μe中第d列的元素最小，确定得到得分向量的个数d。
步骤(7)：将
Figure BSA00002404310400000310
与E合并成一个残差矩阵
Figure BSA00002404310400000311
并对其实施奇异值分解，即：F＝GΛHT，再计算分解矩阵
Figure BSA00002404310400000312
后，分别根据公式D＝diag{UC-1UT}和Q＝diag{GGT}计算监测指标向量D和Q；其中，对角矩阵Λ对角线上的元素由非零奇异值组成，G和H分别是奇异值分解的两个酉矩阵，C＝(UTU)/(N-1)，diag{}表示将大括号内矩阵对角线元素转变成向量的操作。
步骤(8)：将监测指标向量D和Q的最大值分别记录为Dlim和Qlim后，结束离线建模阶段并执行步骤(9)。
步骤(9)：在最新采样时刻t，采集测量变量对应的样本数据xt(1)，xt(2)，…，xt(28)，并根据如下所示公式分别对其进行标准化处理，得到输入向量
Figure BSA0000240431040000041
Figure BSA0000240431040000042
其中，k∈{1，2，…，28}，
Figure BSA0000240431040000043
表示输入向量
Figure BSA0000240431040000044
中的第k个元素。
步骤(10)：分别根据公式
Figure BSA0000240431040000045
和
Figure BSA0000240431040000046
算得分向量ut和误差向量et，再根据公式
Figure BSA0000240431040000047
更新输入向量
Figure BSA0000240431040000048
后，将误差向量et与更新后的输入向量
Figure BSA0000240431040000049
与合并成一个残差向量
Figure BSA00002404310400000410
步骤(11)：根据公式
Figure BSA00002404310400000411
和
Figure BSA00002404310400000412
分别计算当前采样时刻对应的监测指标Dt与Qt。
步骤(12)：判断是否满足条件：Dt≤Dlim且Qt≤Qlim；若是，则当前采样时刻聚丙烯生产过程运行正常，返回步骤(9)继续对最新采样时刻的聚丙烯生产过程实施监测；若否，则执行步骤(13)决策聚丙烯生产过程的产品质量是否异常。
步骤(13)：返回步骤(9)继续对最新采样时刻的聚丙烯生产过程实施监测，直至得到连续6个采样时刻的监测指标后，再按照如下所示步骤(13.1)至步骤(13.3)依次决策聚丙烯生产过程是否出现异常。
步骤(13.1)：判断连续6个采样时刻的监测指标Dt是否都大于Dlim；若是，则聚丙烯产品质量已出现异常，并触发产品质量异常警报；若否，则执行步骤(13.2)。
步骤(13.2)：判断连续6个采样时刻的监测指标Qt是否都大于Qlim；若是，则聚丙烯生产过程出现了异常，但是聚丙烯产品质量未受到影响；若否，则执行步骤(13.3)。
步骤(13.3)：聚丙烯生产过程运行正常且聚丙烯产品质量未出现异常，返回步骤(9)继续对最新采样时刻的聚丙烯生产过程实施监测。
本发明方法的步骤(5)中实施慢特征分析所使用的算法旨在通过转换向量w将
Figure BSA00002404310400000413
转换成慢特征向量
Figure BSA00002404310400000414
时，要求s的差分向量Δs＝s2-s1的长度最小化，并同时满足条件
Figure BSA00002404310400000415
因此，该算法的目标函数定义如下：
Figure BSA00002404310400000416
其中，s2是由s中第2行至第N行元素组成的列向量，s1是由s中第1行至第N-1行元素组成的列向量。求解上式最小化问题可使用拉格朗日乘子法，即先通过构造拉格朗日函数
Figure BSA00002404310400000417
后，再计算L相对于w的偏微分，即：
Figure BSA00002404310400000418
当上式偏微分等于0时，可取目标函数的极小值。因此，
Figure BSA00002404310400000419
就是一个典型的广义特征值问题。在该广义特征值问题的等号两边同时左乘wT，并结合考虑约束条件
Figure BSA0000240431040000051
即可得到等式关系
Figure BSA0000240431040000052
也就是说，特征值λ即等于需要最小化的目标函数，也是衡量特征成分
Figure BSA0000240431040000053
是否变化缓慢的关键指标。因此，步骤(5.3)中需要求解广义特征值问题中的最小特征值及其对应特征向量。
此外，慢特征分析还要求多个慢特征之间是相互正交的关系。换句话说，在求解得到第一个慢特征向量s1后，进而求解第二个慢特征向量s2时还需满足条件
Figure BSA0000240431040000054
为了符合该要求，本发明方法步骤(5.4)中通过公式
Figure BSA0000240431040000055
更新输入矩阵
Figure BSA0000240431040000056
后，再求解下一个慢特征。
本发明方法的实施步骤(6.3)中的步骤(A)至步骤(D)实际上是将建立S0与Y0之间的偏最小二乘回归模型的实施过程与利用该偏最小二乘回归模型得到Sb对应预测误差的实施过程结合起来，避免重复性的实施过程叙述。而步骤(6.1)至步骤(6.5)是实施5-折交叉验证法确定得分向量的个数。
通过以上所述实施步骤，本发明方法的优势介绍如下。
本发明方法在实施聚丙烯产品质量监测时，不依赖于直接测量聚丙烯熔融指数这种测量周期长且严重滞后的技术手段，转而使用与聚丙烯产品质量相关的慢特征来间接实现对聚丙烯产品质量的监测。由于温度、压力、流量等数据的采样周期短且实时性高，因此本发明方法可实时的按照测量变量的采样频率来及时监测聚丙烯产品质量是否出现异常，并决策异常是否会影响聚丙烯产品质量。
附图说明
图1为聚丙烯过程的生产流程示意图
图2为本发明方法离线建模阶段的实施流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明公开了一种基于慢特征回归分析的聚丙烯产品质量实时监测方法，下面结合一个具体应用实例来说明本发明方法的具体实施方式。
如图1所示，聚丙烯过程对象的生产流程包括四个反应器，分别称为第一反应器、第二反应器、第三反应器、和第四反应器；其中，第一反应器和第二反应器是液相连续搅拌反应器，第三反应器和第四反应器是气相流化床反应器。每个反应器都有丙烯和氢气的进料以及催化剂进料。此外，第四反应器出口处的产品即为聚丙烯产品。本发明方法的离线建模阶段的实施流程如图2所示，具体包括如下所示步骤(1)至步骤(8)。
步骤(1)：确定聚丙烯生产过程的测量变量，具体包括四个反应器的28个测量变量。
步骤(2)：利用聚丙烯生产过程安装的测量仪表，连续采集N个采样时刻的样本数据；与此同时，每间隔2小时通过采样分析得到第四反应器聚丙烯产品的熔融指数；再将测量变量对应的样本数据存储为一个N×28维的数据矩阵X，并将熔融指数对应的n个数据存储为一个n×1维的数据向量y。
步骤(3)：按照前述公式①组建列向量Y∈RN×1：。在本实施案例中，测量变量的采样周期为6分钟，即采样频率等于1/(6×60)，而熔融指数的采样频率等于1/(120×60)。因此，公式①中的h＝(120×60)/(6×60)＝20。
步骤(4)：根据前述公式②分别对X中的列向量z1，z2，…，z28以及列向量Y实施标准化处理，对应得到输入矩阵
Figure BSA0000240431040000061
以及输出向量
Figure BSA0000240431040000062
步骤(5)：步骤(5)：根据前述步骤(5.1)至步骤(5.4)对输入矩阵
Figure BSA0000240431040000063
实施慢特征分析，从而得到慢特征矩阵S∈RN×m，转换矩阵W∈R28×m，和载荷矩阵P∈R28×m。
步骤(6)：利用偏最小二乘算法建立S与输出向量
Figure BSA0000240431040000064
之间的回归模型，具体实施过程如步骤(I)至步骤(III)所示。
步骤(I)：设置i＝1后，初始化
Figure BSA0000240431040000065
步骤(II)：计算向量
Figure BSA0000240431040000066
后，再计算得分向量
Figure BSA0000240431040000067
步骤(III)：计算载荷向量
Figure BSA0000240431040000068
后，判断是否满足条件i＜m；若是，则根据公式
Figure BSA0000240431040000069
更新S，再设置i＝i+1后返回步骤(II)；若否，则将
Figure BSA00002404310400000610
合并成得分矩阵
Figure BSA00002404310400000611
将
Figure BSA00002404310400000612
合并成载荷
Figure BSA00002404310400000613
将α1，α2，…，αm合并成矩阵B＝[α1，α2，…，αm]后，再计算系数向量
Figure BSA00002404310400000614
投影矩阵A＝B(VTB)-1，误差矩阵E＝S-UVT和误差向量
Figure BSA00002404310400000615
步骤(7)：将
Figure BSA00002404310400000616
与E合并成一个残差矩阵
Figure BSA00002404310400000617
并对其实施奇异值分解，即：F＝GΛHT，再计算分解矩阵
Figure BSA00002404310400000618
后，分别根据公式D＝diag{UC-1UT}和Q＝diag{GGT}计算监测指标向量D和Q。
步骤(8)：将监测指标向量D和Q的最大值分别记录为Dlim和Qlim后，结束离线建模阶段并执行步骤(9)。
步骤(9)：在最新采样时刻t，采集测量变量对应的样本数据xt(1)，xt(2)，…，xt(28)，并根据前述公式④分别对其进行标准化处理，得到输入向量
Figure BSA00002404310400000619
步骤(10)：分别根据公式
Figure BSA00002404310400000620
和
Figure BSA00002404310400000621
算得分向量ut和误差向量et，再根据公式
Figure BSA00002404310400000622
更新输入向量
Figure BSA00002404310400000623
后，将
Figure BSA00002404310400000624
与et合并成一个残差向量
Figure BSA00002404310400000625
步骤(11)：根据公式
Figure BSA00002404310400000626
和
Figure BSA00002404310400000627
分别计算当前采样时刻对应的监测指标Dt与Qt。
步骤(12)：判断是否满足条件：Dt≤Dlim且Qt≤Qlim；若是，则当前采样时刻聚丙烯生产过程运行正常，返回步骤(9)继续对最新采样时刻的聚丙烯生产过程实施监测；若否，则执行步骤(13)决策聚丙烯生产过程的产品质量是否异常。
步骤(13)：返回步骤(9)继续对最新采样时刻的聚丙烯生产过程实施监测，直至得到连续6个采样时刻的监测指标后，再按照前述步骤(13.1)至步骤(13.3)依次决策聚丙烯生产过程是否出现异常。

Claims (2)

1.一种基于慢特征回归分析的聚丙烯产品质量实时监测方法，其特征在于，具体包括以下所示步骤：
步骤(1)：确定聚丙烯生产过程的测量变量，具体包括四个反应器的28个测量变量；其中，第一反应器和第二反应器是液相连续搅拌反应器，第三反应器和第四反应器是气相流化床反应器，每个反应器所属的7个测量变量依次是：反应器温度，反应器压力，反应器液位，氢气进料流量，丙烯进料流量，催化剂进料流量，和回流流量；
步骤(2)：根据确定的测量变量，连续采集N个采样时刻的样本数据后，将相应的样本数据存储为一个N×28维的数据矩阵X；与此同时，每间隔2小时采样分析得到第四反应器聚丙烯产品的熔融指数，并将熔融指数对应的n个数据存储为一个n×1维的数据向量y；
步骤(3)：按照如下所示公式组建列向量Y∈RN×1：
Figure FSA0000240431030000011
其中，y1，y2，…，yn表示数据向量y中的第一个至第n个元素，h等于测量变量与熔融指数的采样频率之比，RN×1表示N×1维的实数向量，R表示实数集，上标号T表示矩阵或向量的转置；
步骤(4)：根据如下所示公式分别对X中的列向量z1，z2，…，z28以及列向量Y实施标准化处理，对应得到输入矩阵
Figure FSA0000240431030000012
以及输出向量
Figure FSA0000240431030000013
Figure FSA0000240431030000014
其中，μk与δk分别表示列向量zk∈RN×1中所有元素的均值与标准差，μY和δY分别表示列向量Y中所有元素的均值与标准差，k∈{1，2，…，28}；
步骤(5)：根据如下所示步骤(5.1)至步骤(5.4)对输入矩阵
Figure FSA0000240431030000015
实施慢特征分析，从而得到慢特征矩阵S∈RN×m，转换矩阵W∈R28×m，和载荷矩阵P∈R28×m；其中，m表示慢特征的个数，RN×m表示N×m维的实数矩阵，R28×m表示28×m维的实数矩阵，R表示实数集；
步骤(5.1)：设置阈值η后，再初始化g＝1；
步骤(5.2)：将输入矩阵
Figure FSA0000240431030000016
中第1行至第N-1行的行向量组成矩阵
Figure FSA0000240431030000017
并将输入矩阵
Figure FSA0000240431030000018
中第2行至第N行的行向量组成矩阵
Figure FSA0000240431030000019
后，根据公式
Figure FSA00002404310300000110
计算差分矩阵ΔX；
步骤(5.3)：求解广义特征值问题
Figure FSA00002404310300000111
中最小特征值λ所对应的特征向量v后，根据
Figure FSA00002404310300000112
计算转换向量wg；其中，上标号T表示矩阵或向量的转置；
步骤(5.4)：判断λ是否小于阈值η；若是，则计算慢特征向量
Figure FSA00002404310300000113
和载荷向量
Figure FSA00002404310300000114
并根据公式
Figure FSA00002404310300000115
更新输入矩阵
Figure FSA00002404310300000116
后，设置g＝g+1再返回步骤(5.2)；若否，则将s1，s2，…，sg-1合并成慢特征矩阵S＝[s1，s2，…，sg-1]，将w1，w2，…，wg-1合并成转换矩阵W＝[w1，w2，…，wg-1]，并将p1，p2，…，pg-1合并成载荷矩阵P＝[p1，p2，…，pg-1]后，再根据W＝W(PTW)-1更新转换矩阵W∈R28×m；其中，m＝g-1；
步骤(6)：利用偏最小二乘算法建立S与输出向量
Figure FSA0000240431030000021
之间的回归模型，即：
Figure FSA0000240431030000022
其中，得分矩阵U＝SA，A∈Rm×d表示投影矩阵，V∈Rm×d表示载荷矩阵，q∈Rd×1表示系数向量，E和f分别为误差矩阵与误差向量，d为得分向量的个数；
步骤(7)：将
Figure FSA0000240431030000023
与E合并成一个残差矩阵
Figure FSA0000240431030000024
并对其实施奇异值分解，即：F＝GΛHT，再计算分解矩阵
Figure FSA0000240431030000025
后，分别根据公式D＝diag{UC-1UT}和Q＝diag{GGT}计算监测指标向量D和Q；其中，对角矩阵Λ对角线上的元素由非零奇异值组成，G和H分别是奇异值分解的两个酉矩阵，C＝(UTU)/(N-1)，diag{}表示将大括号内矩阵对角线元素转变成向量的操作；
步骤(8)：将监测指标向量D和Q的最大值分别记录为Dlim和Qlim后，结束离线建模阶段并执行步骤(9)；
步骤(9)：在最新采样时刻t，采集测量变量对应的样本数据xt(1)，xt(2)，…，xt(28)，并根据如下所示公式分别对其进行标准化处理，得到输入向量
Figure FSA0000240431030000026
Figure FSA0000240431030000027
其中，k∈{1，2，…，28}，
Figure FSA0000240431030000028
表示输入向量
Figure FSA0000240431030000029
中的第k个元素；
步骤(10)：分别根据公式
Figure FSA00002404310300000210
和
Figure FSA00002404310300000211
算得分向量ut和误差向量et，再根据公式
Figure FSA00002404310300000212
更新输入向量
Figure FSA00002404310300000213
后，将误差向量et与更新后的输入向量
Figure FSA00002404310300000214
与合并成一个残差向量
Figure FSA00002404310300000215
步骤(11)：根据公式
Figure FSA00002404310300000216
和
Figure FSA00002404310300000217
分别计算当前采样时刻对应的监测指标Dt与Qt；
步骤(12)：判断是否满足条件：Dt≤Dlim且Qt≤Qlim；若是，则当前采样时刻聚丙烯生产过程运行正常，返回步骤(9)继续对最新采样时刻的聚丙烯生产过程实施监测；若否，则执行步骤(13)决策聚丙烯生产过程的产品质量是否异常；
步骤(13)：返回步骤(9)继续对最新采样时刻的聚丙烯生产过程实施监测，直至得到连续6个采样时刻的监测指标后，再按照如下所示步骤(13.1)至步骤(13.3)依次决策聚丙烯生产过程是否出现异常；
步骤(13.1)：判断连续6个采样时刻的监测指标Dt是否都大于Dlim；若是，则聚丙烯产品质量已出现异常，并触发产品质量异常警报；若否，则执行步骤(13.2)；
步骤(13.2)：判断连续6个采样时刻的监测指标Qt是否都大于Qlim；若是，则聚丙烯生产过程出现了异常，但是聚丙烯产品质量未受到影响；若否，则执行步骤(13.3)；
步骤(13.3)：聚丙烯生产过程运行正常且聚丙烯产品质量未出现异常，返回步骤(9)继续对最新采样时刻的聚丙烯生产过程实施监测。
2.根据权利要求1所述的一种基于慢特征回归分析的聚丙烯产品质量实时监测方法，其特征在于，所述步骤(6)中确定d的具体实施过程包括如下所示步骤：
步骤(6.1)：设置N1等于N除以5的商，再依次将慢特征矩阵S中第1行至第N1行的行向量，第N1+1行至第2N1行的行向量，第2N1+1行至第3N1行的行向量，第3N1+1行至第4N1行的行向量，第4N1+1行至第N行的行向量，分别组成子慢特征矩阵S1，S2，S3，S4，S5，同时对应的将输出向量
Figure FSA0000240431030000031
中相同行的元素分别组成子输出向量y1，y2，y3，y4，y5后，初始化b＝1；
步骤(6.2)：将第b个子慢特征矩阵Sb和子输出向量yb分别当成测试输入矩阵与测试输出矩阵，再将其余的4个子慢特征矩阵合并成一个训练输入矩阵S0，其余的4个子输出向量合并成一个训练输出向量Y0；
步骤(6.3)：根据如下所示步骤(A)至步骤(D)计算得到均方误差向量eb∈R1×m；
步骤(A)：设置j＝1后，初始化u＝Y0；
步骤(B)：计算向量
Figure FSA0000240431030000032
后，再计算得分向量βj＝S0αj；其中，||||表示计算向量的长度；
步骤(C)：先计算载荷向量
Figure FSA0000240431030000033
再计算系数
Figure FSA0000240431030000034
后，再计算测试得分向量
Figure FSA0000240431030000035
和eb中的第j个元素
Figure FSA0000240431030000036
步骤(D)：判断是否满足条件j＜m；若是，则根据公式
Figure FSA0000240431030000037
和
Figure FSA0000240431030000038
分别更新S0和Sb后，设置j＝j+1再返回步骤(B)；若否，则得到均方误差向量eb∈R1×m中的所有m个元素；
步骤(6.4)：判断是否满足b＜5；若是，则设置b＝b+1后返回步骤(6.2)；若否，则计算5个均方误差向量e1，e2，e3，e4，e5的均值向量μe＝(e1+e2+e3+e4+e5)/5；
步骤(6.5)：根据均值向量μe中第d列的元素最小，确定得到得分向量的个数d。
CN202110440191.3A 2021-04-18 2021-04-18 一种基于慢特征回归分析的聚丙烯产品质量实时监测方法 Active CN113191614B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110440191.3A CN113191614B (zh) 2021-04-18 2021-04-18 一种基于慢特征回归分析的聚丙烯产品质量实时监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110440191.3A CN113191614B (zh) 2021-04-18 2021-04-18 一种基于慢特征回归分析的聚丙烯产品质量实时监测方法

Publications (2)

Publication Number Publication Date
CN113191614A CN113191614A (zh) 2021-07-30
CN113191614B true CN113191614B (zh) 2022-06-10

Family

ID=76978117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110440191.3A Active CN113191614B (zh) 2021-04-18 2021-04-18 一种基于慢特征回归分析的聚丙烯产品质量实时监测方法

Country Status (1)

Country Link
CN (1) CN113191614B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911621B (zh) * 2023-09-13 2023-12-05 山东尚儒弘毅精细化工有限公司 基于数据驱动的树脂生产安全风险智能评估方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537260A (zh) * 2015-01-14 2015-04-22 清华大学 基于缓慢特征回归的动态软测量方法和系统
CN108492026A (zh) * 2018-03-06 2018-09-04 宁波大学 一种基于集成正交成分最优化回归分析的软测量方法
CN110210687A (zh) * 2019-06-13 2019-09-06 中南大学 一种基于局部加权慢特征回归的非线性动态生产过程产品质量预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3534235B1 (en) * 2018-02-28 2021-04-14 Honda Research Institute Europe GmbH Unsupervised learning of metric representations from slow features

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537260A (zh) * 2015-01-14 2015-04-22 清华大学 基于缓慢特征回归的动态软测量方法和系统
CN108492026A (zh) * 2018-03-06 2018-09-04 宁波大学 一种基于集成正交成分最优化回归分析的软测量方法
CN110210687A (zh) * 2019-06-13 2019-09-06 中南大学 一种基于局部加权慢特征回归的非线性动态生产过程产品质量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于过程迁移的间歇过程终点质量预报方法;褚菲等;《化工学报》;20171229(第06期);全文 *

Also Published As

Publication number Publication date
CN113191614A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
Sharmin et al. Inferential sensors for estimation of polymer quality parameters: Industrial application of a PLS-based soft sensor for a LDPE plant
Wold et al. Modelling and diagnostics of batch processes and analogous kinetic experiments
US11614733B2 (en) Computer system and method for automated batch data alignment in batch process modeling, monitoring and control
CN111638707B (zh) 基于som聚类和mpca的间歇过程故障监测方法
CN107403196B (zh) 基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法
CN113191614B (zh) 一种基于慢特征回归分析的聚丙烯产品质量实时监测方法
CN110957011B (zh) 连续搅拌反应器在未知时变测量噪声下的在线生产参数估计方法
Zhao et al. Adaptive monitoring based on independent component analysis for multiphase batch processes with limited modeling data
CN110794093A (zh) 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法
CN112560338B (zh) 基于自适应深度学习的复杂工业系统智能预报方法、装置、设备及存储介质
CN113268925A (zh) 基于差分进化算法时延估计的动态软测量方法
CN112149054B (zh) 基于时序扩展的正交邻域保持嵌入模型的构建与应用
CN111914886B (zh) 一种基于在线简略核学习的非线性化工过程监测方法
CN111143968A (zh) 一种质子交换膜燃料电池变遗忘因子递推子空间辨识方法
CN110033175B (zh) 一种基于集成多核偏最小二乘回归模型的软测量方法
CN114707424B (zh) 基于质量相关慢特征分析算法的化工过程软测量方法
CN116662925A (zh) 一种基于加权稀疏神经网络工业过程软测量方法
CN111914214B (zh) 一种基于缩减kpls模型的pta生产过程软测量方法
CN113191616B (zh) 一种基于双层相关特征分析的聚丙烯产品质量异常检测方法
Zhu System identification for process control: Recent experience and outlook
CN114368768B (zh) 基于lstm的氢氧化铝晶种粒度细化爆发预测模型及方法
CN113191615B (zh) 一种基于多块相关成分分析的聚丙烯生产过程异常检测方法
CN113919213A (zh) 一种基于sfa-grnn串联模型的脱丁烷塔丁烷浓度软测量方法
CN112275439A (zh) 水泥生料立磨压差软测量建模方法、存储介质及系统
CN112381145A (zh) 基于最近相关谱聚类的高斯过程回归多模型融合建模方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230619

Address after: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen dragon totem technology achievement transformation Co.,Ltd.

Address before: School of mechanical engineering and automation, School of science and technology, Ningbo University, No. 521, Wenwei Road, Baisha road street, Cixi City, Ningbo City, Zhejiang Province, 315302

Patentee before: COLLEGE OF SCIENCE & TECHNOLOGY NINGBO University

Effective date of registration: 20230619

Address after: No.20, Guangyuan Road, South Development Zone, Zhitang Town, Changshu City, Suzhou City, Jiangsu Province, 215531

Patentee after: CHANGSHU SHINE PLASTIC INDUSTRY Co.,Ltd.

Address before: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen dragon totem technology achievement transformation Co.,Ltd.